伴随着社会的发展,能源问题逐渐突显,全球范围内出现能源紧缺。为缓解能源压力,则必须同时从开源和节流两方面着手。热泵系统作为建筑用能的主体,占社会总能耗15%-20%,其节能工作意义巨大。随着热泵系统的长期使用,大量出现性能下降、能耗增加的现象,造成巨大的资源浪费。及时诊断热泵系统的性能下降现象,保持系统长期高效运行,是实现热泵节能的关键途径。本文针对热泵系统性能衰退的现象,提出热泵系统亚健康概念,并提出基于深度学习的智能诊断方法,将热泵系统的运行维护与大数据、机器学习、云监控等新兴技术融合,旨在实现热泵系统健康状态的在线智能监控,进一步促进热泵领域的信息化、智能化。文章主要研究内容以及取得主要贡献如下:（1）为明确热泵系统健康和故障的中间状态,量化该状态的能效变化情况,提出热泵系统亚健康概念,定义尚能完成既定工作任务但能耗增加的这一系统状态,并利用ASHRAE RP-1043数据集和自测数据集对不同亚健康的能耗、制冷量、COP的变化情况进行量化分析。实验分别验证了大中型水冷系统和小型风冷系统亚健康的能效变化,结果表明,热泵系统亚健康会造成2%-12%的能耗增加,及时诊断并合理维护对于系统的节能高效运行具有重要意义。（2）为解决热泵系统这类大滞后、非稳态系统建模困难、建模精度低的问题,构建了一种融合卷积神经网络、编-解码器、循环神经网络的深度学习模型,该模型可以直接处理多维时序数据,为亚健康诊断方法提供基准信息。研究并优化了基准模型的超参数,并与其他四种基准模型进行对比,结果表明,本文提出的模型可以很好的实现系统滞后特性的拟合,极大提高非稳态系统的建模精度,效果远优于其他模型。（3）为解决热泵系统工况迁移频繁、高度复杂、亚健康种类繁多、并发亚健康诊断困难等问题,充分利用深度学习模型的特征提取能力,建立了一种基于卷积神经网络的热泵系统亚健康在线诊断算法。算法结合基准模型在工况及环境动态变化等非稳态条件下仍可完成诊断,区别于稳态的实验室级别诊断,实现在线诊断。该方法降低了对热泵系统先验知识的依赖,利用数据驱动实现热泵系统亚健康的智能诊断,不需要设置判定阈值,且可以准确地诊断并发亚健康问题。利用搭建的在线实验平台实现在线诊断验证,各类亚健康诊断准确率均超过90%,响应时间少于6分钟,证明该诊断方法在工况、环境均存在较大波动的条件下仍能准确诊断,满足在线诊断算法的要求。（4）为解决真实在线系统标记数据不足、标记样本不均衡的问题,研究了一种基于生成对抗网络的数据集扩充方法。利用少量标记样本驱动两个神经网络的对抗训练,以自我博弈的方法不断提高数据生成的质量,最终实现高质量仿真数据的生成。为降低数据生成的难度,提出直接生成亚健康残差数据代替生成原始运行数据,极大提高了数据生成质量。在卷积特征空间中利用MMD指标和1-NN指标对生成数据的质量进行验证,分析生成分布与真实分布的差异,证明生成数据与真实数据分布接近。利用诊断方法验证引入生成数据对最终诊断精度的影响,证明在真实数据有限的条件下,基于生成对抗网络的数据扩充方法可以有效的提高亚健康诊断精度。本文着眼于在线诊断存在的关键问题,重点解决大滞后、非稳态系统诊断精度低、并发亚健康诊断困难、标记数据不足及不均衡等难题。经在线实验系统验证,本文提出的方法可以很好地适应于热泵系统亚健康的在线诊断,准确率和实时性均可满足要求,是一种应用前景广阔的诊断方法和技术。